# SVM细胞衍射图像分类

**Repository Path**: s010m00n/svm-cell-graph-classification

## Basic Information

- **Project Name**: SVM细胞衍射图像分类
- **Description**: No description available
- **Primary Language**: C++
- **License**: MIT
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 1
- **Forks**: 0
- **Created**: 2026-01-14
- **Last Updated**: 2026-01-14

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# 生物医学大数据挖掘 - 期末项目

## 项目概述

本项目是一个基于 **GLCM（灰度共生矩阵）特征提取** 的 **细胞分类系统**，用于分析和分类两种细胞（Jurkat 和 Ramos）的衍射图像。这是一个 Windows 桌面应用程序，使用 C++ 开发，集成了图像处理、特征提取、机器学习分类和数据库管理功能。

## 主要功能

### 1. GLCM 特征提取
- 从灰度 BMP 图像中提取 20 种纹理特征
- 基于灰度共生矩阵（Gray Level Co-occurrence Matrix）算法
- 支持可配置的距离参数 d

### 2. 细胞分类
- 分类两种细胞类型：Jurkat 和 Ramos
- 基于细胞衍射图像模式进行识别
- 集成 LibSVM 进行机器学习分类

### 3. 批处理模式
- 批量处理多个图像文件
- 自动提取所有图像的特征
- 将结果存储到数据库

### 4. 数据库管理
- 使用 Microsoft Access 数据库存储特征数据
- 维护样本图像和分类标签
- 支持 SVM 训练数据导出

## 支持的 20 种 GLCM 特征

1. **ASM** - 角二阶矩（Angular Second Moment）
2. **Contrast** - 对比度
3. **Correlation** - 相关性
4. **Variance** - 方差
5. **Homogeneity** - 同质性
6. **SumAverage** - 和平均
7. **SumVar** - 和方差
8. **SumEntropy** - 和熵
9. **Entropy** - 熵
10. **DiffVar** - 差方差
11. **DiffEntropy** - 差熵
12. **Dissimilarity** - 不相似性
13. **Mean** - 均值
14. **ClusterShade** - 聚类阴影
15. **ClusterProm** - 聚类突出度
16. **MaxProb** - 最大概率
17. **MinProb** - 最小概率
18. **Strength** - 强度
19. **MassX** - X 方向质心
20. **MassY** - Y 方向质心

## 技术栈

- **编程语言**: C++（Windows 平台）
- **UI 框架**: 自定义 Windows API 封装类
- **数据库**: Microsoft Access（通过 ADO 连接）
- **图像格式**: BMP（24 位位图）
- **机器学习**: LibSVM
- **开发环境**: Visual Studio

## 使用方法

### 单图像处理模式

1. 启动应用程序，关闭欢迎窗口
2. 点击"浏览"按钮选择 BMP 图像文件
3. 图像将显示在窗口中（可选择拉伸显示）
4. 设置距离参数 d（默认值可用）
5. 点击"计算 GLCM 特征"按钮
6. 查看提取的 20 种特征值

### 批处理模式

1. 进入批处理界面
2. 选择包含图像的目录
3. 系统自动处理目录中的所有 BMP 图像
4. 提取的特征自动存储到数据库
5. 支持正样本/负样本分类标记

### 分类训练

1. 从数据库导出特征数据为 SVM 格式
2. 使用 LibSVM 训练分类器
3. 保存训练结果和分类模型

## 工作流程

```
启动应用 → 欢迎窗口 → 主界面
                         ↓
              ┌──────────┴──────────┐
              ↓                     ↓
        单图像模式              批处理模式
              ↓                     ↓
        选择 BMP 文件          选择图像目录
              ↓                     ↓
        计算 GLCM 特征         批量提取特征
              ↓                     ↓
        显示特征结果           存储到数据库
                                    ↓
                            导出 SVM 训练数据
                                    ↓
                            LibSVM 分类训练
                                    ↓
                            保存分类结果
```

## 核心算法

### GLCM（灰度共生矩阵）

GLCM 是一种用于纹理分析的统计方法，通过计算图像中特定空间关系的像素对出现的频率来描述纹理特征。

**基本原理**：
- 统计图像中距离为 d、方向为 θ 的像素对的灰度共生频率
- 从共生矩阵中提取多种统计特征
- 这些特征可以描述图像的纹理粗糙度、对比度、方向性等属性

**应用场景**：
- 医学图像分析
- 遥感图像分类
- 材料表面检测
- 本项目：细胞衍射图像分类

### 特征构建流程

本项目采用系统化的特征工程方法，将原始细胞衍射图像转换为可用于机器学习的特征向量。

#### 1. 图像预处理
- **输入格式**：24 位 BMP 彩色图像
- **灰度转换**：将 RGB 图像转换为灰度图像
- **归一化**：将灰度值标准化到合适的范围

#### 2. GLCM 矩阵构建

- **距离参数 d**：定义像素对之间的空间距离（可配置）
- **方向角度 θ**：通常考虑 0°, 45°, 90°, 135° 四个方向
- **灰度级量化**：将灰度值量化到合适的级别
- **共生矩阵计算**：统计满足空间关系的像素对频率

#### 3. 特征提取

从 GLCM 矩阵中提取 **20 维特征向量**，每个特征描述图像纹理的不同属性：

**能量与均匀性特征**：

- ASM（角二阶矩）：衡量图像灰度分布的均匀程度
- Entropy（熵）：衡量图像纹理的随机性和复杂度
- Homogeneity（同质性）：衡量图像纹理的局部均匀性

**对比度与差异性特征**：

- Contrast（对比度）：衡量图像的清晰度和纹理深浅程度
- Dissimilarity（不相似性）：衡量局部灰度差异
- DiffVar（差方差）、DiffEntropy（差熵）：描述灰度差异的统计特性

**相关性与结构特征**：

- Correlation（相关性）：衡量像素间的线性相关程度
- Variance（方差）：描述灰度分布的离散程度
- Mean（均值）：描述整体灰度水平

**高阶统计特征**：

- ClusterShade（聚类阴影）：描述纹理的对称性
- ClusterProm（聚类突出度）：描述纹理的非对称性和峰度
- SumAverage、SumVar、SumEntropy：基于和概率的统计特征

**概率与分布特征**：

- MaxProb（最大概率）：最常见的像素对组合
- MinProb（最小概率）：最罕见的像素对组合
- Strength（强度）：纹理的整体强度
- MassX、MassY：灰度分布的质心位置